Generative KI-Modelle revolutionieren das Design therapeutischer Antikörper: Eine neue Studie in Nature Computational Science belegt messbar höhere Erfolgsraten – und stellt klassische Screening-Verfahren grundlegend in Frage.
Generative KI steigert Erfolgsquoten im therapeutischen Antikörper-Design
Forscher haben in der Fachzeitschrift Nature Computational Science nachgewiesen, dass generative KI-Modelle die Erfolgsraten bei der Entwicklung therapeutischer Antikörper messbar verbessern. Die Ergebnisse könnten den frühen Entwicklungsprozess in der biopharmazeutischen Industrie grundlegend neu strukturieren.
Engpass im frühen Entwicklungsprozess
Die Entwicklung therapeutischer Antikörper zählt zu den kostenintensivsten und zeitaufwendigsten Phasen in der Arzneimittelforschung. Traditionelle Methoden basieren auf iterativem Screening großer Molekülbibliotheken – ein Prozess, der Monate in Anspruch nehmen und dennoch zu Kandidaten mit unzureichenden Bindungseigenschaften führen kann.
Genau an diesem Engpass setzen generative Modelle an: Statt eine vorhandene Bibliothek zu durchsuchen, generieren sie zielgerichtet neue Molekülstrukturen auf Basis erlernter biochemischer Gesetzmäßigkeiten.
Was die Studie zeigt
Die in Nature Computational Science veröffentlichte Analyse zeigt, dass generative Modelle in der Lage sind, Antikörper-Kandidaten mit höherer Bindungsaffinität und besserer Selektivität vorzuschlagen als klassische Screening-Verfahren. Die Modelle wurden auf umfangreichen Datensätzen bekannter Antikörper-Antigen-Interaktionen trainiert und lernen dabei, relevante Sequenz- und Strukturmerkmale zu erkennen.
Im Ergebnis lässt sich die Anzahl der Kandidaten, die in die teureren experimentellen Validierungsphasen überführt werden müssen, deutlich reduzieren.
Besonders relevant ist dabei die Fähigkeit der Modelle, sogenannte Complementarity-Determining Regions (CDRs) – die bindungsrelevanten Bereiche eines Antikörpers – gezielt zu optimieren, ohne die Gesamtstabilität des Moleküls zu gefährden. Dies war bislang eine der zentralen Herausforderungen im computationellen Antikörper-Design.
Einordnung in den breiteren KI-Trend der Pharmaindustrie
Die Studie reiht sich in eine wachsende Zahl von Arbeiten ein, die KI-gestützte Methoden in der frühen Wirkstoffforschung evaluieren. Unternehmen wie Absci, Generate Biomedicines oder das britische Exscientia arbeiten seit Jahren an generativen Ansätzen für die Molekülentwicklung. Auch etablierte Pharmaunternehmen – darunter Roche, AstraZeneca und Sanofi – haben entsprechende interne Programme oder Kooperationen mit KI-Spezialisten aufgebaut.
Der entscheidende Unterschied zu früheren KI-Ansätzen liegt in der generativen Komponente: Während diskriminative Modelle bestehende Moleküle bewerten, erschaffen generative Modelle neue Kandidaten außerhalb bekannter chemischer Räume.
Damit verlagert sich ein Teil der experimentellen Explorationsarbeit in den computationellen Bereich – ein paradigmatischer Wandel für die gesamte Branche.
Limitierungen bleiben bestehen
Die Autoren weisen darauf hin, dass die in Silico generierten Kandidaten weiterhin experimenteller Validierung bedürfen. Generative Modelle können zwar Wahrscheinlichkeiten für erfolgreiche Bindungen schätzen, ersetzen aber keine nasschemischen Labortests.
Auch die Verfügbarkeit hochwertiger Trainingsdaten bleibt eine strukturelle Hürde – insbesondere für seltenere Zielstrukturen, zu denen nur begrenzte Literaturdaten existieren.
Relevanz für deutsche Pharmaunternehmen
Für den deutschen Pharmastandort – mit Akteuren wie Bayer, Boehringer Ingelheim, Merck KGaA und einer dichten Landschaft mittelständischer Biotechunternehmen – sind diese Ergebnisse strategisch relevant. Der Einsatz generativer Modelle in der präklinischen Phase kann Entwicklungszeiten verkürzen und Ressourcen gezielter einsetzen.
Unternehmen, die frühzeitig entsprechende Datenpipelines und Modellinfrastrukturen aufbauen, dürften mittelfristig Vorteile in der Kandidatenauswahl erzielen.
Die entscheidende Voraussetzung dafür ist der Aufbau interner Kompetenzen an der Schnittstelle von Computationeller Chemie, Strukturbiologie und Machine Learning.
Quelle: Nature Computational Science
